{"id":108413,"date":"2023-05-08T12:48:42","date_gmt":"2023-05-08T10:48:43","guid":{"rendered":"https:\/\/prohoster.info\/?p=108413"},"modified":"2023-05-08T16:10:08","modified_gmt":"2023-05-08T14:10:08","slug":"sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","title":{"rendered":"Der Erfinder von LLVM arbeitet an einer neuen Programmiersprache namens Mojo.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Chris Lattner, der Gr\u00fcnder und Hauptarchitekt von LLVM sowie der Sch\u00f6pfer der Programmiersprache Swift, und Tim Davis, ehemaliger Leiter von KI-Projekten bei Google, wie TensorFlow und JAX, haben eine neue Programmiersprache namens Mojo vorgestellt. Mojo kombiniert die Benutzerfreundlichkeit f\u00fcr Forschungsentwicklungen und schnelle Prototypenerstellung mit der Eignung zur Erstellung hochleistungsf\u00e4higer Endprodukte. Dies wird durch die Verwendung der vertrauten Python-Syntax erreicht, w\u00e4hrend die Eignung f\u00fcr leistungsstarke Anwendungen durch die M\u00f6glichkeit der Kompilierung in Maschinencode, sichere Speicherverwaltung und die Nutzung von Hardwarebeschleunigung realisiert wird. <\/p>\n
Das Projekt konzentriert sich auf den Einsatz in der Entwicklung von Machine Learning, wird jedoch als universelle Programmiersprache pr\u00e4sentiert, die die M\u00f6glichkeiten von Python durch systemnahe Programmierung erweitert und f\u00fcr eine Vielzahl von Aufgaben geeignet ist. Zum Beispiel ist die Sprache f\u00fcr Bereiche wie Hochleistungsrechnen und Datenverarbeitung und -konvertierung anwendbar. Eine interessante Besonderheit von Mojo ist die M\u00f6glichkeit, ein Emoji-Symbol «🔥» als Dateierweiterung f\u00fcr Code-Dateien anzugeben (z. B. «helloworld.🔥»), zus\u00e4tzlich zur textbasierten Erweiterung «.mojo». <\/p>\n
Die Sprache befindet sich derzeit in einer intensiven Entwicklungsphase und bietet nur eine Online-Oberfl\u00e4che zu Testzwecken an. Abgetrennte Versionen f\u00fcr den Einsatz auf lokalen Systemen sollen sp\u00e4ter ver\u00f6ffentlicht werden, nachdem R\u00fcckmeldungen zur Funktionalit\u00e4t der interaktiven Webumgebung eingeholt wurden. Der Quellcode des Compilers, der JIT und anderer projektbezogener Entwicklungen wird nach Abschluss der Planung der internen Architektur zur Verf\u00fcgung gestellt (das Entwicklungsmodell des funktionsf\u00e4higen Prototyps hinter verschlossenen T\u00fcren erinnert an die Anf\u00e4nge von LLVM, Clang und Swift). Da die Syntax von Mojo auf der Programmiersprache Python basiert und das Typsystem dem von C\/C++ \u00e4hnlich ist, ist geplant, in Zukunft Werkzeuge zu entwickeln, die die \u00dcbersetzung bestehender Projekte in Mojo, die in C\/C++ und Python geschrieben sind, sowie die Entwicklung hybrider Projekte, die Code in Python und Mojo kombinieren, erleichtern. <\/p>\n
Das Projekt zielt darauf ab, die vorhandenen Hardware-Ressourcen heterogener Systeme f\u00fcr Berechnungen zu nutzen. So k\u00f6nnen beispielsweise GPUs, spezialisierte Beschleuniger f\u00fcr maschinelles Lernen und Vektorprozessoranweisungen (SIMD) zur Ausf\u00fchrung von Anwendungen in der Sprache Mojo und zur Parallelisierung von Berechnungen herangezogen werden. Ein Grund f\u00fcr die Entwicklung eines spezifischen Teils der Sprache Python anstelle der Optimierung des bestehenden CPython ist der Fokus auf die Kompilierung, die Integration von Systemprogrammierungsfunktionen und die Verwendung einer grunds\u00e4tzlich anderen internen Architektur, die es erm\u00f6glicht, Code auf GPUs und verschiedenen Hardware-Beschleunigern auszuf\u00fchren. Gleichzeitig beabsichtigen die Entwickler von Mojo, soweit m\u00f6glich die Kompatibilit\u00e4t mit CPython zu wahren. <\/p>\n
Mojo kann sowohl im JIT-Interpretationsmodus als auch f\u00fcr die Kompilierung in ausf\u00fchrbare Dateien (AOT, ahead-of-time) verwendet werden. Der Compiler integriert moderne Technologien zur automatischen Optimierung, Caching und verteilten Kompilierung. Quelltexte in der Mojo-Sprache werden in niederwertigen Zwischen-Code MLIR (Multi-Level Intermediate Representation) umgewandelt, das vom LLVM-Projekt entwickelt wird und zus\u00e4tzliche M\u00f6glichkeiten f\u00fcr die Optimierung der Datenflussgraphverarbeitung bietet. Der Compiler erm\u00f6glicht die Verwendung verschiedener Backends zur Generierung von Maschinencode, die MLIR unterst\u00fctzen. <\/p>\n
Der Einsatz zus\u00e4tzlicher Hardwaremechanismen zur Beschleunigung von Berechnungen erm\u00f6glicht eine Leistung, die bei intensiven Berechnungen die von C\/C++-Anwendungen \u00fcbertrifft. So war beispielsweise bei einem Test einer Mandelbrot-Mengen-Generator-Anwendung die kompilierte Anwendung in Mojo, die in der AWS-Cloud (r7iz.metal-16xl) ausgef\u00fchrt wurde, sechsmal schneller als die Implementierung in C++ (0,03 Sek. gegen\u00fcber 0,20 Sek.) und 35.000-mal schneller als die Anwendung in Python mit Standard CPython 3.10.9 (0,03 Sek. gegen\u00fcber 1.027 Sek.) sowie 1.500-mal schneller bei Nutzung von PYPY (0,03 Sek. gegen\u00fcber 46,1 Sek.). <\/p>\n
Bei der Bewertung der Leistung im Bereich maschinelles Lernen zeigte sich der AI-Stack Modular Inference Engine, entwickelt in der Programmiersprache Mojo, im Vergleich zur TensorFlow-Bibliothek auf einem System mit Intel-Prozessoren dreimal schneller bei der Verarbeitung von Sprachmodellen, 6,4-mal schneller bei der Ausf\u00fchrung von Empfehlungsmodellen und 2,1-mal schneller bei der Arbeit mit Modellen zur Verarbeitung visueller Informationen. Bei der Verwendung von AMD-Prozessoren betrug der Leistungsgewinn bei der Anwendung von Mojo 3,2-, 5- und 2,2-fach, w\u00e4hrend er bei ARM-Prozessoren 5,3-, 7,5- und 1,7-fach lag. Die L\u00f6sung basierend auf PyTorch war gegen\u00fcber Mojo bei Intel-CPUs um das 1,4-, 1,1- und 1,5-Fache langsamer, bei AMD-CPUs um das 2,1-, 1,2- und 1,5-Fache langsamer und bei ARM-CPUs um das 4-, 4,3- und 1,3-Fache langsamer.
<\/center> <\/p>\n
Die Sprache unterst\u00fctzt statische Typisierung und bietet Sicherheitsmechanismen f\u00fcr low-level Speicherarbeit, \u00e4hnlich den Funktionen der Sprache Rust, wie beispielsweise die Verwaltung der Lebensdauer von Referenzen und die \u00dcberpr\u00fcfung des Variablenleihens (borrow checker). Neben den Sicherheitsmechanismen f\u00fcr Pointer bietet die Sprache auch M\u00f6glichkeiten f\u00fcr low-level Arbeiten, z. B. den direkten Zugriff auf den Speicher im unsafe-Modus mit dem Typ Pointer, die Ausf\u00fchrung spezifischer SIMD-Operationen oder den Zugriff auf Hardware-Erweiterungen wie TensorCores und AMX.
<\/center> <\/p>\n
Um die Unterscheidung zwischen traditionellem und optimiertem Python-Code f\u00fcr Funktionen mit expliziter Typdefinition f\u00fcr alle Variablen zu vereinfachen, wird vorgeschlagen, ein separates Schl\u00fcsselwort \u201efn\u201c anstelle von \u201edef\u201c zu verwenden. Ebenso kann f\u00fcr Klassen, wenn eine statische Datenspeicherung im Speicher w\u00e4hrend der Kompilierung erforderlich ist (wie in C), anstelle von \u201eclass\u201c der Typ \u201estruct\u201c verwendet werden. Dar\u00fcber hinaus ist ein einfacher Import von Modulen in C\/C++-Sprachen m\u00f6glich; um beispielsweise die Funktion cos aus der Bibliothek math zu importieren, kann man \u201efrom \u201emath.h\u201c import cos\u201c angeben. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Der](\"\/wp-content\/uploads\/2023\/05\/df2598980ce4ed179ec3042d500235db.jpg\")
<\/center> <\/p>\n![\"Der](\"\/wp-content\/uploads\/2023\/05\/000b92c5bbb54eec64649b30a434be6d.jpg\")
<\/center> <\/p>\n